导读:本文包含了进化测试论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标路径覆盖,测试用例,测试数据生成,遗传算法
进化测试论文文献综述
洪达飞[1]（2019）在《多目标路径覆盖进化测试的一种改进策略》一文中研究指出测试数据是软件测试输入的来源,可靠的测试数据能快速有效地得到需要的结果,否则将会造成测试效率低下,导致恶性循环测试。因此,测试数据生成问题的关键是如何获得高效高质量的测试数据。研究更高效的测试方法是获得优质测试数据的关键,不同的研究对象,采取的测试方法会有较大的差异。面向路径覆盖生成测试数据是一类典型的测试方法,其研究对象是程序的执行路径,根据路径生成满足条件的测试数据。按照复杂性进行划分,路径覆盖测试问题可分为单目标路径覆盖问题和多目标路径覆盖问题,二者都是根据程序路径生成测试数据的测试方法。遗传算法在路径覆盖测试中的应用很广,常用于搜索满足条件的测试数据。本文在单目标路径覆盖问题和多目标路径覆盖问题中均采用遗传算法,并提出了相应的测试数据生成方法。针对目前众多的路径覆盖方法较少考虑被测程序中各语句执行难度差异性的问题,提出接触向量的概念,将其与层接近度思想结合,引出接触式层接近度方法,用于生成测试数据。在设计适应度函数时将该方法作为其中的一部分,加速测试数据的生成,提高目标路径测试数据生成的效率。提出一种改进的个体信息共享的多目标路径覆盖方法,该方法对个体共享策略进行了改变,使用接触式层接近度构造适应度函数。该方法在实施多种群遗传算法前期,根据种群对目标路径集的覆盖效果,对种群进行了排序处理,让覆盖效果好的种群先执行,制定了种群排序策略。针对由于难覆盖路径的存在而可能导致的效率低下问题,进行了难覆盖路径的处理。基本思路是首先计算已有的成功覆盖该目标路径的个体的关系矩阵,然后将此关系矩阵作为之后的遗传算法个体的筛选目标,直到找到关系矩阵符合目标矩阵的个体出现。最后的实验结果表明,测试数据的生成效率得到了有效的提高。本文通过对多路径覆盖问题进行研究,在提出的多目标路径覆盖方法中,首先对个体信息共享策略作了一些改进,其次在多种群遗传算法中对种群集进行了排序处理,最后针对难覆盖路径问题提出了一种处理方案,有效地提升了算法生成测试数据的效率。(本文来源于《江西财经大学》期刊2019-06-01）
张悦宁[2]（2019）在《基于进化优化的类集成测试序列生成方法研究》一文中研究指出当今世界,信息技术飞速发展,计算机软件在人们生活中变得不可或缺,软件的质量对日常生活甚至社会发展都会产生重大影响。人们对软件产品的依赖程度越来越深,对软件质量的要求也越来越高。对软件生产者来说,低质量的软件会因维护成本高丧失市场竞争力,而高质量的软件能够赢得消费者的信赖从而带来更好的经济效益。软件测试成为了保证软件质量的重要手段,通过软件测试,测试人员可以及时地发现软件缺陷并提交纠正。在软件测试过程中,集成测试是为了检测各模块之间能否正常地协同工作。类是面向对象程序的基本单位,且类间存在依赖关系。按照不同的顺序测试类,测试代价也是不同的。所以测试人员需要确定一个合理的类测试序列,以期减小测试代价。研究者们提出了多种方法生成类集成测试序列。然而,某些基于启发式算法的方法还存在一些不足,比如寻优能力不强导致生成的类集成测试序列的测试代价还比较大。本文对现存的某些不足进行了优化改进,提出了两个类集成测试序列生成方法。遗传算法和粒子群优化算法随机初始化种群导致进化带有盲目性,对此本文提出了一种基于初始种群优化的类集成测试序列生成方法。首先,引入一个约束条件:不允许打破类间的强依赖关系。然后,提出多叉树的构建算法,组成多叉树森林。最后,按随机顺序层次遍历森林中的每棵多叉树,生成满足约束条件的个体并组成初始种群。实验结果表明,该方法能够在不失随机性的同时生成整体质量较高的初始种群,引导遗传算法和粒子群优化算法生成测试代价更小的类集成测试序列。粒子群优化算法在进化过程中容易早熟,本文提出了一种基于梦境粒子群优化算法的类集成测试序列生成方法。类测试序列作为粒子且有做梦能力,每次进化分为两个阶段——白天和夜间。白天阶段,粒子从前一晚的位置正常移动。夜间阶段,粒子进入梦境,根据各自做梦能力扭曲当前位置。如此,粒子能够在当前位置附近进行搜索。算法的收敛速度减缓,避免过早陷入局部最优。实验结果表明,该方法生成的类集成测试序列的测试代价较小。此外,实现了一个针对Java程序的类集成测试序列生成工具EvoCITO,该工具使用本文提出的两种方法生成类集成测试序列。(本文来源于《中国矿业大学》期刊2019-05-01）
潘雄,郝帅,苑政国,宋凝芳[3]（2019）在《基于无关变量分离的EFSM测试数据进化生成》一文中研究指出扩展有限状态机(EFSM)相比于有限状态机(FSM)能够更加精确地刻画系统的动态行为,因而广泛作为各种控制流与数据流系统的测试模型。在EFSM模型的测试中,使用搜索的方法获得触发目标测试路径的测试数据是近年来的一个研究热点。为进一步提高搜索效率,在遗传算法(GA)的基础上提出一种自动分离测试路径中无关输入变量的方法,该方法通过分析模型中变量与迁移间的关系,判定不影响子路径中谓词条件的无关输入变量,进而从个体中将其分离以实现搜索空间的自动缩减,提升测试数据生成效率。对几种具有不同复杂度的基准EFSM模型进行实验后的结果表明,该方法生成有效测试数据的成功率均达到98. 2%以上,且与未分离输入变量的遗传算法相比,所需平均迭代次数减少44. 7%～85. 9%,平均运行时间减少24. 1%～85. 5%。(本文来源于《北京航空航天大学学报》期刊2019年05期）
王莎[4]（2018）在《差分进化算法改进及其在2.5D集成电路测试中的应用》一文中研究指出优化问题在科学研究和工程应用中无处不在,与此相关的众多研究人员需要性能强大的优化算法解决这些对他们的日常工作生活至关重要的问题。对自然科学和计算机学科的交叉研究衍生了一些智能优化算法,差分进化算法作为一种较新的全局优化算法,其种群进化过程充分体现了达尔文进化论中“物竞天择,适者生存”的核心思想。自1995年被提出以来,差分进化算法以其鲁棒性强原理简单有效等优点愈发受到人工智能领域研究人员的青睐。作为本文改进算法的实际应用对象,基于插入层的2.5维集成电路采用硅通孔等结构有效克服了当前集成电路中内连线延时和功耗等制约芯片性能提升的问题,利用优化算法对其进行可测性设计及解决测试成本问题是保证2.5维集成电路可靠性及广泛应用的重要保障。本文在介绍了差分进化算法基本结构和原理的基础上,针对其控制参数、变异过程和交叉过程优缺点,进行了算法改进研究,并将改进算法应用于2.5维集成电路测试优化方案设计中。本文的主要研究内容如下:(1)在分析经典差分进化算法二项交叉种群多样性差,优化效率低等固有缺陷的基础上,本文提出“基于多角度搜寻旋转交叉策略的改进自适应差分进化算法”。该方法通过引入旋转控制向量将交叉操作中的搜索范围扩大到变异个体和父代目标个体圆周范围内,从而大大增加种群多样性,并随种群进化缩小搜索范围。为了平衡算法的搜索速率和种群多样性,完整的交叉操作结合了本文所提旋转交叉算子和经典二项交叉算子。在CEC2013标准测试集上的实验表明,结合本交叉算子之后的改进算法对于提升原始算法优化性能和收敛速率具有较好的效果,优化性能提升了57%~96%。(2)针对差分进化算法经典变异操作中变异因子参数选择敏感以及差分操作随机偏差扰动搜索步进较大的缺陷,从增强算法局部搜索能力的角度提出一种基于个体适应值和距离差异的自适应变异操作取代原有变异因子及差分操作,增强局部搜索能力的同时,消除了参数选择对优化效果的影响。同时,基于亲密度传播的聚类算法种群自动归类划分操作,使得各个子种群之间可以并行操作,增加了种群的优化速度。在CEC2013测试集上的实验表明,结合该变异算子的优化算法相比于原有算法,优化效率有大幅提升,优化性能提升50%~88%。此外,本文将所提两种改进算法结合进行实验验证,实验结果显示结合后的算法效果优于原有算法,从而证明这两种算法的普适性和有效性。(3)最后,本文进行了2.5维SOC测试资源优化技术研究。根据各IP核和晶片的排布位置及其相关测试信息,并将测试功耗和测试硬件开销等约束条件结合在内,建立2.5维SOC的测试调度及扫描链平衡设计数学模型,并采用本文所提改进差分进化算法对其进行求解,从而确定IP核内扫描链封装情况及晶片测试顺序和分组。在ITC’02标准测试集和商业芯片数据集上的实验表明,在测试功耗等约束条件的限制下,本文所提出的基于改进DE算法的测试调度方法能够有效减小2.5维SOC的测试总开销。同时,采用改进差分进化算法进行扫描链平衡设计,可以实现测试时间成本和硬件成本的折中方案,并获得更加平衡的测试封装扫描链。(本文来源于《哈尔滨工业大学》期刊2018-06-01）
王子鸣[5]（2018）在《并行程序路径覆盖测试数据的协同进化生成方法》一文中研究指出随着近年来并行程序的广泛应用,并行程序的测试问题也逐渐被人们重视。其中,消息传递并行程序是一种常用的并行程序,这类程序的路径覆盖测试数据生成问题可以通过遗传算法进行求解。但是,传统方法没有充分利用并行程序调度序列提供的知识,导致算法效率难以满足需求。因此,改进并行程序的测试方法是十分必要的。针对这类问题,本文提出一种测试数据协同进化生成方法,并开发了相应原型系统,提高了测试效率。本文主要有以下内容:(1)提出了一种并行程序路径覆盖测试数据协同进化生成方法。首先,根据调度序列生成对应的种群;然后,给出种群与个体的性能评价方法;最后,依据种群与个体性能,在进化过程中执行个体迁移、种群消亡、种群合并等操作,生成测试数据。该方法与传统遗传算法相比,不但没有引入对调度序列人工分析等额外人工干预,提高了测试自动化程度,而且在生成测试数据的过程中使用多个调度序列,通过评价各调度序列生成测试数据的难易程度得到对应种群的性能,进化过程中将资源更多地分配给性能较好的种群,提高了算法效率。(2)开发了并行程序路径覆盖测试数据生成原型系统。该原型系统包括程序处理、进化求解和结果处理等3个模块,用于对程序执行前的预处理、使用所提方法进行进化求解,以及结果保存和输出等。进化求解模块是该原型系统的主要部分,使用C语言编写,主要包种群定义、种群初始化,以及种群迁移、种群消亡、种群合并、种群规模计算、适应值计算、编码、解码、选择、交叉、变异等函数。利用该原型系统能够针对不同程序使用本文所提方法自动高效生成测试数据,提高了测试效率。本文所提方法能够针对并行程序高效生成测试数据,对软件测试的发展做出了积极的贡献。(本文来源于《中国矿业大学》期刊2018-06-01）
翁晴晴[6]（2018）在《应用自适应差分进化算法优化软件测试数据的研究》一文中研究指出软件测试作为保证软件产品质量的重要手段,一直以来受到行业人士及学者的关注。软件测试的主要目的是在测试过程中尽可能多地发现软件产品中存在的错误或潜在缺陷,很显然软件测试是软件开发过程中非常重要的环节。而软件测试中测试用例的生成效率及质量又影响着整个测试流程的效果,因此如何设计出一个高效的测试用例生成方法,对软件测试来说至关重要。差分进化算法是一种具有较强的全局收敛能力和鲁棒性的进化算法,属于基于群体的启发式优化算法的一种。差分进化算法本身具有容易实现、结构简单、鲁棒性强和收敛速度快等优势,能够很好地应用于软件测试用例的自动化产生。但是标准的差分进化算法需要人工依照先验知识事先设置好控制参数,并在后期不断调整以提高算法效率;而且同其他智能搜索算法类似,在算法进化后期易陷入局部最优,不能很好地直接用于软件测试用例的产生,因此如何改进差分进化算法对收敛速度和收敛精度的提高,更好的应用于测试用例的自动化产生非常重要。本文主要围绕自适应差分进化算法的优化展开研究,并及将其应用于基于路径覆盖的测试用例的自动化产生。主要工作在于:首先,本文对软件测试的重要性进行了概述;同时对现有的差分进化算法及自适应差分进化算法的优缺点进行了分析总结,并对差分进化算法的研究现状进行了概述:另外,介绍了软件测试的研究现状及测试用例生成的现有方法,并分析了各种方法的优缺点。第二,针对现有自适应差分进化算法容易陷入局部最优和收敛精度较低的问题,本文结合机器学习中的反向学习策略,提出了基于反向学习的增强型自适应差分进化算法(Opposition-based Learning of Adaptive Differential Evolution,OL-ADE)。改进后的OL-ADE算法通过反向精英学习机制,从用于变异策略的原有个体种群中得到反向精英个体种群,并从二者的种群集合中选择出适应度值更好的个体用于变异操作,这不仅丰富了种群的多样性,而且增强了种群在进化过程中的局部搜索能力;同时,采用高斯分布来动态调整变异操作中用于缩放的个体,提高了种群的单个个体的寻优能力。通过以上操作不仅扩充了种群多样性的,而且可以避免算法过早收敛,并在整体上对算法的全局搜索能力与局部寻优能力做出平衡。第叁,在基于路径覆盖的测试用例的自动生成问题中,针对现有智能搜索算法存在的本身参数较多、算法的迭代次数多、测试数据生成效率不高等问题。本文提出了一种基于质心的自适应差分进化算法(Adaptive Differential Evolution based on Center of Mass,CADE),并用于测试用例的自动化生成。本文算法在变异策略选择阶段,利用质心原理的思想,对变异个体进行选择,该方法保证了种群向着最优值方向进化,加快了种群的收敛速度;同时利用控制参数的自适应调整来控制个体的缩放规模,提高种群多样性,从而保证种群在进化过程中因个体过于集中而陷入局部最优时,能跳出局部最优。为验证所提CADE算法的有效性,将其应用于软件测试用例的自动化产生,并与传统的算法进行对比。实验表明,本文优化后的算法,能够提高软件测试用例生成的效率和性能。(本文来源于《安徽大学》期刊2018-04-01）
刘策越[7]（2018）在《面向快速测试进化形态的模块化机器人研究》一文中研究指出模块化机器人是由若干具有一定结构和功能的模块所组成的机器人系统,每一个模块都是独立的运动单元,具备与相邻模块连接和通讯的能力。区别于固定构型的传统机器人,模块化机器人最明显的优势是强大的变形能力和环境适应能力,它可以根据不同的任务需求和工作环境,通过改变模块间的组合方式装配成不同形态的机器人。此外,模块化机器人可以为机器人,特别是进化机器人技术带来好处,因为它们可以容易地重新配置以形成独特的形态。与此同时,相同的模块也易于生产制作。考虑到模块化机器人的上述特点,它在机器人示教、搜寻营救、空间探险等领域有着广泛的应用。模块是模块化机器人的基本组成单元,它与相邻模块的连接方式、动力与信息传输方式以及运动能力是模块化机器人运动控制的核心。然而在目前现有的模块化机器人平台上,模块的机械设计、连接机构设计以及组装过程较为复杂,编程、调试、控制难度较高,系统设计的开放性不友好,造成移植过程的时间成本和耗材成本较高:即当使用进化算法对模块化机器人的形态和控制参数进行设计时,进化后得到的不同形态的机器人个体大多只能在仿真环境中进行评估,无法根据仿真中得到的进化后的机器人形态,快速在实体模块化机器人上进行实验测试。这使得进化实验效率低下,降低了获取高性能模块化机器人的设计效率,增加了模块化机器人实际的调试难度,不利于模块化机器人技术的推广。针对这一问题,分析阐述面向快速测试不同模块化机器人进化形态的模块的设计准则,并基于此准则提出一种新型的开源式的易于组建的模块化机器人系统EMERGE。在模块设计一个自由度的基础上,通过对比分析模块连接面的数量、构型数量、外形结构的不同配置方案,确定采用4个连接面的长方体外形设计,其中的叁个面与轴杆相连,另一个面与舵机的底盘相连,便于组成多构型的稳定的填充结构;研制了磁式的连接机构,每个连接面上安装有对称分布的圆形磁铁,具有快速可靠的连接、断开的能力,无能量消耗,同时采用弹簧压缩触点有效地实现连接面的动力和信息传输;模块组装大部分采用商业标准化的器件,组装简单,非标准化器件的机械设计开源,采用3D打印机制作,方便进行调试修改,避免到工厂进行加工定制,有效地降低了成本;模块的每个连接面都设计安装有接近距离传感器,具备对周围环境的感知能力,拓展了模块化机器人执行任务的种类;采用性能及控制友好的Dynamixel舵机(AX-12A)及其附属配件;设计了集成分布式和集中式两种方式的控制系统,可根据不同的控制需求灵活进行切换,而且控制系统的硬件电路和软件代码设计完全开源,方便任何人进行使用和修改。该模块有利于提高获取高性能模块化机器人的设计效率,降低实际调试的难度。此外,也为机械臂自动拼装不同形态的模块化机器人的实验研究奠定了基础。模块可用的连接面的数量及其相对位置是模块形态的重要组成因素,它是相邻模块间连接的基础,也是机器人形态多样性的直接体现。模块化机器人是一个多模块组成的复杂机器人系统,一般使用进化算法从搜索空间中寻求在既定任务下,最优性能的模块化机器人。随着模块连接面的数量的变化,搜索空间的规模也在跟随其同方向变化,因此,这关系着从大量不同构型的机器人中计算搜索性能优良的模块化机器人的能力。然而随着连接面的数量的增加,搜索空间规模逐渐增大,寻优的过程会更加漫长,而且还有可能陷入局部最优解。反之缩小搜索空间能够提高进化算法的搜索质量。如若其它进化参数相同,只考虑模块的连接面的数量,那么在模块固有的连接面的数量下,其搜索空间的规模是固定的,对于在固定的搜索空间下计算搜索性能优良的模块化机器人研究较多,然而并没有考虑模块可用的连接面的数量的变化对获取高性能的模块化机器人的效率的影响问题。此外,能否找到全局最优解取决于算法的收敛性,而算法的收敛性的结论是建立在无穷迭代时间基础上的,而实际应用中的计算迭代时间是有限的,很难在实践中用于指导算法设计和改进。可见,如何在算法近似收敛的情况下,缩小搜索空间的规模,从而在更短的计算时间内寻求到性能优异的模块化机器人更具有实际的指导意义。因此,本文以EMERGE机器人为研究对象,提出一种基于进化设计的模块化机器人模块形态的评估方法。该方法首先选取模块连接面的数量及其相对位置作为模块的形态参数,对模块形态进行分类描述。然后在综合考虑模块数量、构型数量及其可行性的的基础上,提出一种改进的具有重迭检测功能的进化策略,有效地剔除了发生模块重迭碰撞的机器人。在仿真环境中基于移动任务对不同形态的EMERGE模块所构建的模块化机器人的形态和控制参数进行进化,通过对仿真结果的统计学分析,比较不同模块形态下的性能,给出了最佳的模块形态以及由此模块所组建的最优性能的机器人。最后,将仿真机器人移植到实体机器人上进行测试,验证了该方法的有效性。结果表明通过使用特定类型的模块形态,有助于提高获取性能优异的机器人形态的效率。此外,当为指定任务设计模块化机器人时,限制模块的连接面的数量也有助于缩小搜索空间的规模,从而在更短的计算时间内获取性能优异的模块化机器人。在仿真环境中将进化机制与模块化机器人相结合研究时,会出现模块化机器人在仿真中性能良好,但移植到实体机器人上时性能下降的情况,即发生“现实鸿沟”问题。如何缩小仿真与实体机器人性能的差异,对于模块化机人的实际应用具有重要的意义。国内外的一些研究已经取得了初步的成果,但是使用的前提条件过于苛刻,适用范围有限,性能差异仍然较大,因此迫切需要研究一种使用方便,性能提升显着的移植方法。本文提出一种以适应度函数值和可移植性为双重进化目标的移植方法,在保证机器人性能的同时也提高了可移植性。首先对适应度函数值和可移植性的权衡关系进行分析,并给出了最优解的特性含义。然后分析比较了不同空间插值方法的特点,详细分析了传统的反距离权重法的特点和不足,提出了基于样本点方位关系的改进的反距离权重法,使样本点均匀分布的同时,也可以自适应配置权重幂指数,提高了插值的效率和精度。然后采用改进的反距离权重法建立了模块化机器人仿真与实体行为差值的代理模型。基于代理模型技术,对移植方法的算法流程进行研究。最后基于平面移动任务对不同形态的EMERGE模块所构建的模块化机器人的可移植性进行实验研究,并与基于传统的反距离权重法的移植方法进行对比分析。结果表明,该方法使用简便、适用范围广,有效地减少了仿真与实体机器人适应度函数值和动作行为的差异。为验证EMERGE模块化机器人系统的可靠性,建立了实物实验系统。进行了连接机构的负载能力实验、构型组建实验,以及环形构型、链式构型、四足构型和接近距离感知能力的运动规划实验。结果表明EMERGE模块结构设计合理,简单易用,灵活性好,在运动过程中的具有良好的可靠性和稳定性,具备快速测试不同进化形态的机器人的能力,同时验证了运动规划方法的有效性。(本文来源于《中国矿业大学(北京)》期刊2018-03-28）
何安东[8]（2018）在《多目标进化算法及其在测试性设计中的应用研究》一文中研究指出在大型系统故障诊断测试性设计问题领域当中,随着日益增长的系统复杂性,测试性设计的需求也越来越复杂,比如单操作模式测试性设计演变成多操作模式测试性设计、单目标优化问题提升为多目标优化问题等等。如何高效、准确的进行测试性设计,是当前待需解决的问题,本文针对当前测试性设计的需求,设计出了分组综合多目标进化算法。在多目标进化算法研究领域当中,已经有很多优秀的算法产生,如何对其进行改进达到更好的效果,是当前研究的热点,本文利用基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)特定方向搜索的特性,结合非支配解排序遗传算法II型(Non-dominated Sorting Genetic Algorithm III,NSGA-III)型算法,设计出叁段式系统级多目标进化算法。本文首先介绍了测试性设计领域以及多目标进化算法领域研究背景以及发展现状。介绍了当前多目标进化算法的难题和发展瓶颈,例如针对高维多目标优化问题时,存在支配规则失效、时间复杂度过高、种群可视化难以做到等问题。介绍了多操作模式测试性设计问题的在测试性设计领域的重要性和发展现状。给出了多目标优化问题及Pareto相关术语的数学定义。并根据算法是否带有精英机制进行分类介绍。其中,着重介绍了NSGA-III型,给出其详细的伪代码,并进行分析。最后给出主要步骤的算法时间复杂度。给出了操作模式测试性设计的相关数学定义和相关参数符号实际意义,介绍使用传统多目标进化算法解决该问题的步骤,介绍分组综合多目标进化算法及其解决多操作模式测试性设计问题的步骤。最后给出两种方法的实验结果并对比。详细分析MOEA/D和NSGA-III的特点,指出MOEA/D具有可以设置特定方向搜索的特点,以及NSGA-III中种群迭代进化的特点。设法在NSGA-III设置初始种群的阶段,使用MOEA/D设置特定方向搜索解的方法,设置较优的初始解。最后通过实验对比分析得出结论。本文主要研究了多目标进化算法在多操作模式测试性设计这一特定问题的改进适配,,并对NSGA-III进行了改进。这些研究为将来在实现测试性设计平台软件的工作提供了算法实现基础。(本文来源于《电子科技大学》期刊2018-03-23）
李龙澍,翁晴晴[9]（2018）在《应用自适应差分进化算法优化测试数据研究》一文中研究指出针对自适应差分进化算法在进化后期种群多样性减少和搜索精度低的问题,本文提出一种基于质心的自适应差分进化算法,并将该算法应用于自动生成软件测试数据.本文算法通过自动调节缩放因子的方式提高种群多样性,避免种群在进化过程中个体过于集中而陷入局部最优;同时,采用基于质心原理的策略来选择用于变异的个体,进而保证种群向最优值方向进化,总体上加快种群的收敛速度.本文首次将自适应差分进化算法用于软件测试数据的产生,并与传统软件测试数据产生的算法进行了比较,实验表明本文算法能够有效地提高自动产生测试数据的效率和性能.(本文来源于《小型微型计算机系统》期刊2018年02期）
张娜,胡国亨,金瑜婷,史佳炳,包晓安[10]（2018）在《基于多种群进化算法的测试用例优先级排序研究》一文中研究指出为了提升软件测试的效率,加快软件研发的进度,提出了一种基于多种群进化的测试用例排序算法。该算法首先针对单种群遗传算法容易产生早熟收敛的问题,提出了一种多种群并行进化模型,以增强算法的全局寻优能力;然后根据该模型,结合软件需求覆盖和软件缺陷检测率,综合考虑代码覆盖率、测试用例设计信息和历史执行信息叁个方面的因素,提出了一种动态调整测试用例优先级的计算方法。实验结果表明:与传统的面向单一目标覆盖的测试用例优先级排序算法相比,该算法的测试速率和软件缺陷检测能力得到一定的提升。(本文来源于《浙江理工大学学报(自然科学版)》期刊2018年02期）
进化测试论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
当今世界,信息技术飞速发展,计算机软件在人们生活中变得不可或缺,软件的质量对日常生活甚至社会发展都会产生重大影响。人们对软件产品的依赖程度越来越深,对软件质量的要求也越来越高。对软件生产者来说,低质量的软件会因维护成本高丧失市场竞争力,而高质量的软件能够赢得消费者的信赖从而带来更好的经济效益。软件测试成为了保证软件质量的重要手段,通过软件测试,测试人员可以及时地发现软件缺陷并提交纠正。在软件测试过程中,集成测试是为了检测各模块之间能否正常地协同工作。类是面向对象程序的基本单位,且类间存在依赖关系。按照不同的顺序测试类,测试代价也是不同的。所以测试人员需要确定一个合理的类测试序列,以期减小测试代价。研究者们提出了多种方法生成类集成测试序列。然而,某些基于启发式算法的方法还存在一些不足,比如寻优能力不强导致生成的类集成测试序列的测试代价还比较大。本文对现存的某些不足进行了优化改进,提出了两个类集成测试序列生成方法。遗传算法和粒子群优化算法随机初始化种群导致进化带有盲目性,对此本文提出了一种基于初始种群优化的类集成测试序列生成方法。首先,引入一个约束条件:不允许打破类间的强依赖关系。然后,提出多叉树的构建算法,组成多叉树森林。最后,按随机顺序层次遍历森林中的每棵多叉树,生成满足约束条件的个体并组成初始种群。实验结果表明,该方法能够在不失随机性的同时生成整体质量较高的初始种群,引导遗传算法和粒子群优化算法生成测试代价更小的类集成测试序列。粒子群优化算法在进化过程中容易早熟,本文提出了一种基于梦境粒子群优化算法的类集成测试序列生成方法。类测试序列作为粒子且有做梦能力,每次进化分为两个阶段——白天和夜间。白天阶段,粒子从前一晚的位置正常移动。夜间阶段,粒子进入梦境,根据各自做梦能力扭曲当前位置。如此,粒子能够在当前位置附近进行搜索。算法的收敛速度减缓,避免过早陷入局部最优。实验结果表明,该方法生成的类集成测试序列的测试代价较小。此外,实现了一个针对Java程序的类集成测试序列生成工具EvoCITO,该工具使用本文提出的两种方法生成类集成测试序列。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
进化测试论文参考文献
[1].洪达飞.多目标路径覆盖进化测试的一种改进策略[D].江西财经大学.2019
[2].张悦宁.基于进化优化的类集成测试序列生成方法研究[D].中国矿业大学.2019
[3].潘雄,郝帅,苑政国,宋凝芳.基于无关变量分离的EFSM测试数据进化生成[J].北京航空航天大学学报.2019
[4].王莎.差分进化算法改进及其在2.5D集成电路测试中的应用[D].哈尔滨工业大学.2018
[5].王子鸣.并行程序路径覆盖测试数据的协同进化生成方法[D].中国矿业大学.2018
[6].翁晴晴.应用自适应差分进化算法优化软件测试数据的研究[D].安徽大学.2018
[7].刘策越.面向快速测试进化形态的模块化机器人研究[D].中国矿业大学(北京).2018
[8].何安东.多目标进化算法及其在测试性设计中的应用研究[D].电子科技大学.2018
[9].李龙澍,翁晴晴.应用自适应差分进化算法优化测试数据研究[J].小型微型计算机系统.2018
[10].张娜,胡国亨,金瑜婷,史佳炳,包晓安.基于多种群进化算法的测试用例优先级排序研究[J].浙江理工大学学报(自然科学版).2018